原创 【tensorFlow】查看cuda、cudnn版本命令

cuda版本: cat /usr/local/cuda/version.txt cudnn版本: cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 查看cudnn版

原创 目標檢測經典網絡之Faster RCNN

Faster R-CNN 針對Fast R-CNN的缺陷而提出。由於Fast R-CNN,採用的是Selective Search(SS),測試時的很大一部分時間要耗費在候選區域的提取上。Faster R-CNN正是爲解決這個問題而提出來

原创 【深度學習】DNN網絡簡單理解

深度神經網絡 1、基本概念 DNN(Deep Neural Network)神經網絡模型又叫全連接神經網絡,是基本的深度學習框架。與RNN循環神經網絡、CNN卷積神經網絡的區別就是DNN特指全連接的神經元結構,並不包含卷積單元或是時間上的

原创 目標檢測之ROI Pooling及其改進

一、什麼是ROI Pooling ROI是Region of Intersect的簡寫,是指一張圖的感興趣區域,可以理解爲目標檢測的候選框也就是region of proposal,我們將原圖進行特徵提取的時候,就會提取到相應的特徵圖fe

原创 目標檢測經典網絡之Fast R-CNN

Fast R-CNN R-CNN的最大缺陷是:對每個SS產生的proposal都要進行截圖再放到CNN中進行計算,假設有2000個region proposal,就要進行2000次,效率非常低!! Fast R-CNN對其改進:對原圖先整

原创 目標檢測經典網絡之R-CNN

一、目標檢測(Object detection) 圖像識別是輸入一張圖像,輸出該圖像對應的類別。 目標檢測輸入是一張圖像,但輸出不單單是圖像的類別,而是該圖像中所含的所有目標物體以及它們的位置,通常使用矩形框來標識物體的位置。 大部分的目

原创 【Python】pip和Anaconda添加清華鏡像源

一、pip添加清華鏡像源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 二、Anaconda添加清華鏡像源 conda config

原创 目標檢測之NMS

NMS,全稱爲Non-maximum suppression,非極大值抑制,是一種去除非極大值的算法,常用於計算機視覺中的邊緣檢測、目標檢測等。其作用是去掉detection任務中重複的檢測框。 算法流程 給出一張圖片和其上面許多物體檢測

原创 目標檢測經典網絡之Mask R-CNN

Mask R-CNN Mask R-CNN是He Kaiming大神於2017年的力作,其在進行目標檢測的同時進行實例分割,取得了出色的效果,其在沒有任何trick的情況下,取得了2016年COCO比賽的冠軍,其網絡設計也比較簡單,在Fa

原创 【YOLO系列】yolov3技術總結整理

原文鏈接:https://blog.csdn.net/qq_20657717/article/details/81669006 yolov3可去darknet官網下載,github上有caffe

原创 【數據集】計算機視覺方向常用公開數據集

做深度學習人工智能方向,兩大塊最爲重要:一、數據;二、算法模型!!! 我認爲數據在模型訓練中佔據至關重要的地位,甚至達到整個項目開發中的70%以上!! 在偶然間發現了一個計算機視覺方向很全的數據集地址,原文鏈接如下:http://home

原创 【python】利用python批量處理將圖片粘貼到另一張圖片上並保存

pillow真的是一個很強大的圖像處理庫!!!! 本人利用pillow庫實現了將文件夾下的批量照片隨機粘貼到另一張圖片上,並批量保存到指定文件夾!!!   直接上代碼: from PIL import Image import os i

原创 【宏觀認識YOLO系列】目標檢測之yolo系列總結

YOLO的思想: 本文逐步介紹yolov1-v3的設計過程 一、YOLOv1基本思想 YOLO將輸入圖像分成SxS個格子,如果某物體的Ground truth的中心位置的座標落入到某個格子,那麼這個格子就負責檢測出這個物體。 每個格子

原创 【python爬蟲】python爬取百度圖片中的圖片

話不多說,直接上代碼,一看便懂!!!!!!!!! # coding=utf-8 """根據搜索詞下載百度圖片""" import re import sys import urllib import requests import ra

原创 【tensorflow】tf.shape()和x.get_shape()的用法

一、tf.shape() 獲取的是張量的大小,直接上代碼,一看便知: #tf.shape()獲取的是張量的大小 import tensorflow as tf import numpy as np a_array = np.array